Ce cours est conçu pour développer des compétences pratiques dans la conception, le déploiement et la gestion de systèmes d'IA agentique dans le cadre de workflows de développement logiciel basés sur GitHub.

Le cours explore l'intégration d'agents d'IA dans le cycle de vie du développement logiciel (Software Development Lifecycle - SDLC), notamment la conception d'architectures d'agents, la configuration des outils et des environnements, ainsi que la gestion de la mémoire, de l'état et de l'exécution des agents.

Les participants apprendront à évaluer et optimiser les performances des agents, à mettre en œuvre des mécanismes de gouvernance et des garde-fous (guardrails), ainsi qu'à orchestrer des systèmes multi-agents afin de garantir des résultats sûrs, fiables et efficaces.

Grâce à une approche pratique (hands-on learning), les participants acquerront les compétences nécessaires pour exploiter, superviser et gouverner des agents d'IA dans des environnements de production, en utilisant GitHub comme plan de contrôle (control plane).

Module 1 : Fondamentaux de l'IA agentique dans GitHub

• Définir l'IA agentique dans le SDLC (Software Development Lifecycle)
• Expliquer le cycle de vie d'un agent : planifier, agir, évaluer
• Décrire GitHub comme système de référence (system of record) et plan de contrôle (control plane)
• Identifier les responsabilités, les risques, les anti-modèles (anti-patterns) et les besoins de traçabilité
• Appliquer le modèle de contribution aux travaux générés par des agents

Module 2 : Concevoir l'architecture des agents et leur intégration dans le SDLC (Software Development Lifecycle)

• Mapper les responsabilités des agents au SDLC (Software Development Lifecycle)
• Définir les entrées, les sorties et les critères de réussite
• Séparer la planification, le raisonnement et l'exécution
• Exemples de mise en œuvre de la gouvernance des Pull Requests (PR) avec des modèles (templates), des contrôles (checks), CODEOWNERS, des règles et des contrôles d'accès aux environnements (environment gates)
• Construire des workflows fiables : sorties, contextes, déclencheurs et transmissions entre tâches (cross-job handoffs)
• Contrôler et exploiter les agents : observabilité, outils, MCP (Model Context Protocol), secrets, hooks et fiabilité

Module 3 : Outils, MCP (Model Context Protocol) et environnements d'exécution des agents

• Comment les agents interagissent avec les API GitHub et les workflows
• Serveurs MCP (Model Context Protocol), registres et listes d'autorisation (allow lists)
• Contexte d'exécution et limites
• Limites d'exécution et protections des agents

Module 4 : Systèmes multi-agents et orchestration

• Définir les responsabilités des systèmes multi-agents dans le SDLC (Software Development Lifecycle)
• Orchestrer les agents à l'aide des workflows GitHub
• Isoler l'exécution : branches, workflows, autorisations et concurrence
• Détecter et résoudre les conflits à l'aide de mécanismes d'arbitrage natifs GitHub
• Rendre le système observable : attribution, preuves et transmissions (handoffs)
• Exploiter de manière fiable à grande échelle : diagnostiquer les échecs et effectuer des récupérations sécurisées

Module 5 : Mémoire, état et évaluation

• Mettre en œuvre des stratégies de mémoire pour les agents
• Conserver l'état des agents et gérer la dérive du contexte (context drift)
• Garantir la continuité de la mémoire et de l'état des agents à travers les outils et les environnements
• Définir des indicateurs d'évaluation et appliquer des contrôles qualité (quality gates)
• Analyser les échecs des agents et améliorer leur comportement

Module 6 : Gouvernance, garde-fous (guardrails) et exploitation

• Définir une autonomie basée sur les risques et les limites d'action
• Appliquer la gouvernance avec les contrôles GitHub
• Concevoir des workflows avec intervention humaine (human-in-the-loop)
• Contrôler les capacités des agents selon le principe du moindre privilège (least privilege)
• Rendre les actions observables, traçables et auditables
• Maintenir la gouvernance et la fiabilité opérationnelle

• Décrire le rôle et le cycle de vie d'un agent d'IA au sein d'un workflow GitHub
• Concevoir une architecture d'agent adaptée à une étape du SDLC, avec entrées/sorties et critères de réussite définis
• Mettre en place une gouvernance des contributions générées par des agents (PR, CODEOWNERS, environment gates)
• Configurer un environnement d'exécution d'agent sécurisé via MCP
• Orchestrer et superviser un système multi-agents dans GitHub de façon fiable et observable
• Définir des indicateurs d'évaluation et des garde-fous garantissant un usage sûr et gouverné des agents en production

Les participants doivent disposer d'une expertise métier dans l'exploitation, l'intégration, la supervision et la gouvernance des agents d'IA au sein de workflows SDLC (Software Development Lifecycle) et d'environnements de développement de niveau production, afin de garantir la fiabilité, la sécurité et la rapidité d'exécution en utilisant GitHub comme système de référence (system of record) et plan de contrôle (control plane).

Les participants travaillent en étroite collaboration avec des architectes, des ingénieurs plateforme, des ingénieurs DevOps, des développeurs d'applications, des responsables produit et des ingénieurs sécurité afin de concevoir, déployer, exploiter et gérer des agents fonctionnant au sein de la plateforme GitHub.

Les participants doivent avoir une expérience du cycle de vie du développement logiciel (SDLC), des workflows et des mécanismes de contrôle dans GitHub, ainsi que des pratiques liées à la qualité du code, à la sécurité et aux revues de code.

Ils doivent également avoir une expérience des agents de développement, notamment GitHub Copilot, des serveurs MCP (Model Context Protocol) et de la personnalisation des agents, tels que :

• les instructions personnalisées (custom instructions),
• les agents personnalisés (custom agents),
• les outils (tools),
• la configuration de Copilot.

Responsabilités associées à ce rôle :

• Exploiter les workflows d'agents au sein du SDLC
• Superviser les comportements autonomes à l'aide des contrôles GitHub
• Évaluer et ajuster les résultats produits par les agents à l'aide d'analyses (scans) et d'artefacts
• Configurer des agents personnalisés
• Coordonner l'exécution de systèmes multi-agents de manière sécurisée

Prérequis obligatoires :

• Expérience pratique de GitHub : workflows, Pull Requests, mécanismes de contrôle (branch protection, Actions)
• Pratique des enjeux de qualité de code, de sécurité et de revue de code
• Expérience d'utilisation des agents de développement (GitHub Copilot) et connaissance des notions d'instructions personnalisées, d'agents personnalisés et d'outils (tools)
• Compréhension générale du cycle de vie du développement logiciel (SDLC)

Prérequis recommandés (non obligatoires) :

• Notion préalable du Model Context Protocol (MCP) et de son usage avec des serveurs d'outils
• Une première expérience de configuration ou de personnalisation de Copilot